本文总结了常用的机器学习模型性能度量方法，包括准确率、精确率、召回率、F1值、P-R曲线、ROC曲线和AUC。通过这些指标可以评估模型的泛化能力，尤其在二分类问题中，如ROC曲线下的AUC面积等。
对机器学习模型进行评估，不仅需要有效的实验评估方法，还需要有衡量模型泛化能力的评价指标，在这里总结一下常用的机器学习模型的性能度量方法，总结不完善的地方欢迎大家留言补充。
以二分类为例，首先给出分类结果混淆矩阵：
| 真实情况 | 预测结果 | |
| 正例 | 反例 | |
| 正例 | TP | FN |
| 反例 | FP | TN |
TP:将正例预测为正例数；
FN:将正例预测为负例数；
FP:将负例预测为正例数；
TN:将负例预测为负例数；
一准确率
A c c u r a c y = T P + T N T P + F N + F P + T N Accuracy=\frac{TP+TN}{TP+FN+FP+TN} Accuracy=TP+FN+FP+TNTP+TN
二精确率(查准率)
P = T P
最低0.47元/天 解锁文章
498
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
